Speech-to-Text

Lo speech-to-text trascrive l’audio parlato in testo scritto. Invia un file audio a /audio/transcriptions, scegli un modello di trascrizione e seleziona il formato di risposta desiderato. Stai lavorando con la registrazione di una conversazione? Note di riunione con lo speech-to-text parte da un file audio e arriva a decisioni e azioni da fare che citano il secondo in cui sono state concordate, spiegando anche quali modelli restituiscono i timing dei segmenti e come gestire una trascrizione che non dice mai chi sta parlando.

Utilizzo di Base

import os

import requests

with open("meeting.mp3", "rb") as audio:
    response = requests.post(
        "https://api.venice.ai/api/v1/audio/transcriptions",
        headers={"Authorization": f"Bearer {os.environ['VENICE_API_KEY']}"},
        files={"file": audio},
        data={
            "model": "nvidia/parakeet-tdt-0.6b-v3",
            "response_format": "json",
        },
    )

response.raise_for_status()
print(response.json()["text"])

import { createReadStream } from "node:fs";
import FormData from "form-data";

const form = new FormData();
form.append("file", createReadStream("meeting.mp3"));
form.append("model", "nvidia/parakeet-tdt-0.6b-v3");
form.append("response_format", "json");

const response = await fetch("https://api.venice.ai/api/v1/audio/transcriptions", {
  method: "POST",
  headers: {
    Authorization: `Bearer ${process.env.VENICE_API_KEY}`,
    ...form.getHeaders(),
  },
  body: form,
});

if (!response.ok) {
  throw new Error(await response.text());
}

const transcript = await response.json();
console.log(transcript.text);

curl https://api.venice.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $VENICE_API_KEY" \
  --form [email protected] \
  --form model=nvidia/parakeet-tdt-0.6b-v3 \
  --form response_format=json

Input Supportati

I formati audio supportati sono wav, wave, flac, m4a, aac, mp4, mp3, ogg, oga e webm. Un file è accettato quando il suo MIME type o la sua estensione è in quella lista, e i byte caricati devono anche superare un controllo dei magic byte — rinominare un file con un’estensione supportata non lo farà passare. Consulta la pagina Modelli Speech-to-Text per il supporto dei modelli e i prezzi aggiornati.

Formati di Risposta

Formato	Da usare quando
`json`	Vuoi una risposta strutturata: `text`, più `duration` e `timestamps` quando disponibili.
`text`	Vuoi testo semplice senza fare parsing di JSON.

Questi sono gli unici due valori accettati da response_format. Non esistono le opzioni srt, vtt o verbose_json — richiederne una restituisce un 400. Per costruire sottotitoli, usa timestamps: true con response_format: json e renderizza tu stesso i dati di timing.

Timestamps

Passa timestamps=true per ricevere i dati di timing insieme alla trascrizione. Il supporto è specifico per modello e la granularità varia:

Modello	Granularità
`elevenlabs/scribe-v2`	`word`
`stt-xai-v1`	`word`
`openai/whisper-large-v3`	`segment`
`fal-ai/wizper`	`segment`
`nvidia/parakeet-tdt-0.6b-v3`	Nessuna

Il modello predefinito, nvidia/parakeet-tdt-0.6b-v3, accetta timestamps=true e poi lo ignora — ottieni una risposta contenente solo text, senza errori né avvisi. Scegli un modello dalla tabella qui sopra se hai bisogno dei timing e verifica che la chiave timestamps esista prima di leggerla.

curl https://api.venice.ai/api/v1/audio/transcriptions \
  -H "Authorization: Bearer $VENICE_API_KEY" \
  --form [email protected] \
  --form model=elevenlabs/scribe-v2 \
  --form timestamps=true \
  --form response_format=json

{
  "text": "The quick brown fox jumps over the lazy dog.",
  "duration": 4.099,
  "timestamps": {
    "word": [
      { "word": "The", "start": 0.0, "end": 0.14 },
      { "word": "quick", "start": 0.14, "end": 0.42 }
    ]
  }
}

I modelli a livello di segmento restituiscono invece un array segment, in cui ogni voce è { "text": "...", "start": 0.0, "end": 3.2 }. Tutti i tempi sono in secondi.

Nessun modello di trascrizione di Venice esegue la diarizzazione dei parlanti, quindi non esiste un campo speaker in alcuna risposta. Una trascrizione è un unico flusso di testo — i parlanti possono essere attribuiti solo quando un nome viene pronunciato ad alta voce.

Consigli per la Produzione

Mantieni l’audio chiaro ed evita, se possibile, la sovrapposizione tra parlanti.
Suddividi registrazioni molto lunghe in chunk più piccoli se il tuo flusso richiede minore latenza o retry più semplici.
Memorizza il percorso audio originale, l’ID del modello e il formato di risposta insieme a ogni trascrizione per esigenze di tracciabilità.

Documentazione

Per iniziare

Testo e chat

Immagini

Video

Audio

Ricerca e RAG

Agenti e integrazioni

Strumenti di sviluppo

Strumenti per agenti

SDK e framework

Utilizzo di Base

Input Supportati

Formati di Risposta

Timestamps

Consigli per la Produzione

Risorse Correlate

​Utilizzo di Base

​Input Supportati

​Formati di Risposta

​Timestamps

​Consigli per la Produzione

​Risorse Correlate

Utilizzo di Base

Input Supportati

Formati di Risposta

Timestamps

Consigli per la Produzione

Risorse Correlate